Application of a.c. impedance technique to the study of the proton diffusion process in the porous MnO2 electrode

The proton diffusion coefficient in γ-MnO₂ at various stages of discharge of an electrolytic manganese dioxide electrode has been determined taking into consideration the true molar volume and the electrochemically accessible surface area of MnO₂. The unique electrochemical cell which allows the electrode expansion during the discharge to be monitored in situ was reported. The a.c. impedance technique and the transmission line equivalent circuit were used. Electrode ohmic resistance, Faradaic resistance, and double-layer capacitance were also obtained by means of numerical fitting of the impedance data using the transmission line model.     

基于EMD和TEO的电力系统短期扰动检测新方法

借鉴经验模态分解EMD(Empirical Mode Decomposition)的思想提出一种电力系统短期扰动检测定位的新方法,该方法通过一个对称三角模态来保留信号的扰动信息进而定位扰动.同时,在扰动准确定位的基础上,提出对原信号进行分段EMD,并采用Teager能量算子求取幅值包络来识别扰动类型的分析方法.该方法能够克服EMD过程产生的模态混叠导致检测失效的问题,与Hilbert-Huang 变换方法和小波检测方法相比,所提方法能够更加简单快速地实现对扰动的检测.仿真结果表明了该方法的有效性.     

基于EMD的时频熵在齿轮故障诊断中的应用

提出了一种基于EMD(EmpiricalModeDecomposition)方法的时频熵齿轮故障诊断方法。首先利用EMD方法分解齿轮振动信号,然后将得到的内禀模态分量进行Hilbert变换,以得到振动信号的时频分布,将信息熵理论引入时频分布,定量描述时频平面上不同时频段的能量分布,各时频段能量分布的均匀性可以反应齿轮的运行状态的差别,从而可以通过时频熵的大小判断齿轮的工作状态和故障类型。实验证明该方法能有效的判断齿轮故障特征,为齿轮故障诊断提供了新的思路。     

经验模式分解与Hilbert谱的分析及应用

为了验证经验模式分解与Hilbert谱分析的有效性,首先,引出它的概念,指出它在时频变换领域的优点;然后,对其进行了详细阐述,包括瞬时频率求解、经验模式分解过程及Hilbert谱绘制;接着,提出了经验模式分解过程中边缘处理和内在模准则确定问题,并给出了解决方法;最后,用Duffing方程平均频率验证和压电智能结构中压电片局部脱胶试验2个实例对该方法进行了理论和试验验证,结果表明:经验模式分解与Hilbert谱是一种有效的时频信号分析方法。     

基于EMD的改进MFCC的语音情感识别

人在不同情感下的语音信号其非平稳性尤为明显,传统的MFCC只能反映语音信号的静态特征,经验模态分解能够精细地刻画语音信号的非平稳特性。为提取情感语音的非平稳特征,用经验模态分解将情感语音信号分解为一系列固有模态函数分量,通过Mel滤波器后取其对数能量,进行DCT反变换后得到改进的MFCC作为情感识别的新特征,采用支持向量机对高兴、生气、厌烦和恐惧等四种语音情感识别。仿真实验结果表明：改进的MFCC识别率达到77.17%,在不同的信噪比下,识别率最大可提高3.26%。     

一种基于EEMD的过程数据混合去噪方法*

针对化工过程数据的特点,提出一种基于集成经验模式分解(EEMD)滤波的过程数据混合去噪方法,以新秩一阶差分法抑制数据粗差干扰,以EEMD分解抑制脉冲干扰,分层滤波消除噪声成分。与传统的滤波方法相比,基于EEMD的混合滤波方法无须预先确定滤波器参数,是一种完全的数据驱动型方法,具有较好的自适应能力。仿真实验结果表明,对过程数据的滤波预处理可以增强对异常突变数据的检测处理,提高故障检测效果。     

基于EMD的小波脊线法轨道检测

轨道的波浪弯曲不平顺是引起列车振动的直接因素。针对波浪不平顺提出了一种新的检测方法。基于经验模态分解的小波脊线法,滤去原始信号的高频部分,再对低频分量进行EMD处理,提取包含了故障信息的固有模态函数分量（IMF）的小波脊线。通过分析小波脊线的时频域,检测出突变信号发生的时刻。对列车在某线路的实测数据分析,研究结果表明,基于EMD的小波脊线法能方便而有效地检测出信号的突变成分,从而准确地识别轨道的不平顺位置。     

基于EMD和AFD的齿轮断齿诊断技术研究

断齿作为齿轮失效的形式之一,对其进行故障诊断具有重要意义.传统的诊断方法如自适应滤波方法对于非平稳振动信号的分析效果不太明显.EMD(Empirical Mode Decomposition,简称EMD)方法是把复杂的振动信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF)之和,得到的IMF包含真实的物理信息,而且都是平稳的.这种基于信号的局部特征时问尺度分解的方法非常适用于非线性和非平稳过程的分析,该方法能够实现通过时域的分析,得到故障特征信号.本文提出基于EMD和自适应滤波分解(Adaptive Filtering Decompositon,简称AFD)的方法,利用边际谱分析齿轮故障特征.实验结果表明,该方法能够有效、准确地提取齿轮断齿的故障特征.     

极限学习机延拓的BS-EMD端点效应抑制算法及应用

针对希尔伯特-黄变换过程中经验模态分解出现的端点效应问题,采用极限学习机（Extreme Learning Machine,ELM）算法对原始数据序列分别向左右两端延拓,对扩展后的数据序列用B样条插值函数求其平均曲线,在此基础上进行下一步分解,结束分解后摒弃两端延展的数据,使算法得到优化,起到了抑制端点效应的作用。通过与未经延拓,BP神经网络延拓和支持向量机延拓各项指标的对比分析表明,该算法不仅有效抑制了经验模态分解过程中的端点效应,在预测速度和分解精度上都有一定的优势。将该方法应用于电力系统的谐波分析中,仿真结果表明该方法能有效抑制EMD的端点效应,更好地分解出谐波中含有的不同频率谐波分量。     

基于BEMD和自适应滤波的医学图像增强

针对医学图像存在低对比度和质量差的主要问题,本文提出了一种基于BEMD和自适应滤波的医学图像增强新算法。首先,对医学图像进行BEMD分解,然后用自适应滤波对频率域进行去噪,再使用不同的加权值提高子带图像的高频系数,最后对图像进行重构得到增强图像。实验表明,该方法不仅提高了图像的细节信息,而且有效地保留了图像的边缘特征。